TensorFlow索引與切片的實(shí)現(xiàn)方法
索引與切片在Tensorflow中使用的頻率極其高，可以用來提取部分?jǐn)?shù)據(jù)。
1.索引
在 TensorFlow 中，支持基本的[𝑖][𝑗]…標(biāo)準(zhǔn)索引方式，也支持通過逗號分隔索引號的索引方式。
假設(shè)創(chuàng)建四張大小為3*3的彩色圖片。
# 創(chuàng)建張量
x = tf.random.normal([4, 32, 32, 3])
# 提取出第一張圖片
x[0]
<tf.Tensor: id=253, shape=(32, 32, 3), dtype=float32, numpy=
array([[[ 3.16146165e-01, 1.88969020e-02, 1.38413876e-01],
[ 4.89341050e-01, 2.75277281e+00, 7.39786148e-01],
[-1.25965345e+00, -2.69633114e-01, -1.16465724e+00],
...,
# 提取出第一張圖片的第二行
x[0][1]
<tf.Tensor: id=261, shape=(32, 3), dtype=float32, numpy=
array([[ 7.4337220e-01, -1.0524833e+00, -2.6401659e-03],
[ 5.3725803e-01, -9.5556659e-01, 4.9091709e-01],
[-4.6934509e-01, 7.9289172e-03, -2.9179385e+00],
[ 2.9324377e-01, 2.1451252e+00, -3.8849866e-01],
[ 8.2027388e-01, -4.9701610e-01, -7.3374517e-02],
......
# 提取出第一張圖片的第二行第三列的像素
x[0][1][2]
<tf.Tensor: id=273, shape=(3,), dtype=float32, numpy=array([-0.4693451 , 0.00792892, -2.9179385 ], dtype=float32)>
# 提取出第一張圖片第二行第三列第二個用到（B通道）的顏色強(qiáng)度
x[0][1][2][2]
<tf.Tensor: id=289, shape=(), dtype=float32, numpy=-2.9179385>
當(dāng)張量的維度數(shù)較高時，使用[𝑖][𝑗]. . .[𝑘]的方式書寫不方便，可以采用[𝑖,𝑗, … , 𝑘]的方式索引，它們是等價的。
x[1, 9, 2] == x[1][9][2] <tf.Tensor: id=306, shape=(3,), dtype=bool, numpy=array([ True, True, True])>
2.切片
通過𝑠𝑡𝑎𝑟𝑡: 𝑒𝑛𝑑: 𝑠𝑡𝑒𝑝切片方式可以方便地提取一段數(shù)據(jù)，其中 start 為開始讀取位置的索引，end 為結(jié)束讀取位置的索引(不包含 end 位)，step 為讀取步長。
還是以shape為[4, 32, 32, 3]的圖片張量為例。
# 創(chuàng)建張量
x = tf.random.normal([4, 32, 32, 3])
# 讀取第二張和第三張圖片
x[1:3]
<tf.Tensor: id=344, shape=(2, 32, 32, 3), dtype=float32, numpy=
array([[[[-3.4415385e-01, 5.8418065e-01, 1.8238322e-01],
[ 5.3377771e-01, 5.8201426e-01, 1.2839563e+00],
[-1.4592046e+00, -2.3443605e-01, -2.6524603e-01],
...,
[-5.0662726e-01, 6.9743747e-01, -5.8803167e-02],
[ 1.4200432e+00, -5.0182146e-01, 5.1661726e-02],
[ 3.5610806e-02, -2.4781477e-01, 1.8222639e-01]],
[[ 1.3892423e+00, 1.1985755e+00, -6.4732605e-01],
[ 8.5562867e-01, 1.2758574e+00, 1.7331127e+00],
[ 9.7743452e-02, -5.3990984e-01, 8.3400911e-01],
...,
start: end: step切片方式有很多簡寫方式，其中 start、end、step 3 個參數(shù)可以根據(jù)需要選擇性地省略，全部省略時即::，表示從最開始讀取到最末尾，步長為 1，即不跳過任何元素。如 x[0,::]表示讀取第 1 張圖片的所有行，其中::表示在行維度上讀取所有行，它等于x[0]的寫法。
即x[0, ::]等價于x[0 ]。
為了更加簡潔，：：可以簡寫成為單個冒號。
x[:, 0:28:2, 0:28:2, :]
<tf.Tensor: id=344, shape=(2, 32, 32, 3), dtype=float32, numpy=
array([[[[-3.4415385e-01, 5.8418065e-01, 1.8238322e-01],
[ 5.3377771e-01, 5.8201426e-01, 1.2839563e+00],
[-1.4592046e+00, -2.3443605e-01, -2.6524603e-01],
...,
上述表示取所有圖片，隔行采樣，隔列采樣，采集所有通道信息。相當(dāng)于在圖片的高寬各放縮至原來的一半。
下面是一些常見的切片方式小結(jié)：
特別地，step可以為負(fù)數(shù)。例如：step = −1時，start: end: −1表示從 start 開始，逆序讀取至 end 結(jié)束(不包含 end)，索引號𝑒𝑛𝑑 ≤ 𝑠𝑡𝑎𝑟𝑡。
x = tf.range(9) # 逆序輸出 x[8:0:-1] <tf.Tensor: id=31, shape=(8,), dtype=int32, numpy=array([8, 7, 6, 5, 4, 3, 2, 1])> # 逆序取全部元素 x[::-1] <tf.Tensor: id=35, shape=(9,), dtype=int32, numpy=array([8, 7, 6, 5, 4, 3, 2, 1, 0])> # 逆序間隔采樣 x[::-2] <tf.Tensor: id=39, shape=(5,), dtype=int32, numpy=array([8, 6, 4, 2, 0])>
當(dāng)張量的維度數(shù)量較多時，不需要采樣的維度一般用單冒號：表示采樣所有元素。
x = tf.random.normal([4, 32, 32, 3])
# 提取所有圖片的G通道
x[:,:,:,1]
<tf.Tensor: id=59, shape=(4, 32, 32), dtype=float32, numpy=
array([[[ 0.5700944 , 0.58056635, 2.2198782 , ..., -0.8475847 ,
0.49761978, 0.28784937],
[-0.22224228, 0.77950406, -0.01802959, ..., 0.55532527,
0.6826188 , 0.50668514],
[-2.4160695 , -0.96219736, 0.62681717, ..., 1.0348777 ,
為了避免出現(xiàn)像𝑥[: , : , : ,1]這樣出現(xiàn)過多冒號的情況，可以使用⋯符號表示取多個維度上所有的數(shù)據(jù)，其中維度的數(shù)量需根據(jù)規(guī)則自動推斷：當(dāng)切片方式出現(xiàn)⋯符號時，⋯符號左邊的維度將自動對齊到最左邊，⋯符號右邊的維度將自動對齊到最右邊，此時系統(tǒng)再自動推斷⋯符號代表的維度數(shù)量。
# 創(chuàng)建四張大小為32*32的彩色圖片 x = tf.random.normal([4, 32, 32, 3]) # 讀取第一張和第二張圖片的G/B通道數(shù)據(jù) x[0:2,...,1:] # 讀取最后兩張圖片 x[2,...] # 讀取所有圖片的R/G通道 x[...,:2]
掌握了張量的索引與切片之后，會讓我們的書寫更加快捷。
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
在本篇文章里小編給大家整理的是關(guān)于Python四種逐行讀取文件內(nèi)容的方法，有興趣的朋友們可以學(xué)習(xí)下。2020-02-02
使用pytorch實(shí)現(xiàn)可視化中間層的結(jié)果
今天小編就為大家分享一篇使用pytorch實(shí)現(xiàn)可視化中間層的結(jié)果，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
Python?matplotlib如何簡單繪制不同類型的表格
通過Matplotlib,開發(fā)者可以僅需要幾行代碼,便可以生成繪圖,直方圖,功率譜,條形圖,錯誤圖,散點(diǎn)圖等,下面這篇文章主要給大家介紹了關(guān)于Python?matplotlib如何簡單繪制不同類型表格的相關(guān)資料,需要的朋友可以參考下2022-07-07
Django+uni-app實(shí)現(xiàn)數(shù)據(jù)通信中的請求跨域的示例代碼
這篇文章主要介紹了Django+uni-app實(shí)現(xiàn)數(shù)據(jù)通信中的請求跨域的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10
python程序想要在一個設(shè)備上去運(yùn)行除了需要安裝python解釋器和相關(guān)依賴項(xiàng)之外,還需要將對應(yīng)的文件路徑添加到環(huán)境變量path中才可以,下面這篇文章主要給大家介紹了關(guān)于python中各種路徑設(shè)置的相關(guān)資料,需要的朋友可以參考下2022-12-12
這篇文章主要介紹了python獲取目錄下所有文件的方法,實(shí)例分析了Python中os模塊下walk方法的使用技巧,需要的朋友可以參考下2015-06-06
這篇文章主要介紹了python pycharm的安裝及其使用，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10
今天小編就為大家分享一篇python中利用matplotlib讀取灰度圖的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
python根據(jù)url地址下載小文件的實(shí)例
今天小編就為大家分享一篇python根據(jù)url地址下載小文件的實(shí)例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
Python實(shí)現(xiàn)http接口自動化測試的示例代碼
這篇文章主要介紹了Python實(shí)現(xiàn)http接口自動化測試的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10